Méthodologie de conception et d'utilisation d'algorithme d'intelligence artificielle à partir de données à caractère sensible : étude et application à la reconnaissance acoustique sous-marine

A methodology for machine learning models training on confidential data

• Auteur / Autrice : Tom Laborde
• Direction : Florian Méhats, Alexandre Gensse
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et leurs interactions
• Date : Soutenance le 13/12/2023
• Etablissement(s) : Université de Rennes (2023-....)
• Ecole(s) doctorale(s) : MATISSE
• Partenaire(s) de recherche : Laboratoire : Institut de recherche mathématique (Rennes ; 1996-....) - IRMAR
• Jury : Président / Présidente : Sylvain Duquesne
• Jury : Examinateurs / Examinatrices : Florian Méhats, Alexandre Gensse, Fanny Delebecque, Mohammed Lemou, Marie-Hélène Vignal
• Jury : Rapporteurs / Rapporteuses : Patrick Pérez, Srečko Brlek

Mots clés

Mots clés contrôlés

Acoustique sous-marine

Apprentissage supervisé (intelligence artificielle)

Cryptographie

Mots clés libres

Cryptographie

Machine learning

Chiffrement fonctionnel

Cryptography

Machine learning

Learning with errors

Functional encryption

Résumé

Dans cette thèse nous étudions un ensemble de techniques relatives à l’application du chiffrement fonctionnel pour la conception de modèles d’apprentissage automatique sur données à caractère confidentiel. Après avoir passé en revu les schémas de chiffrement fonctionnels majeurs de l’état de l’art, nous proposons des combinaisons et des adaptations de schémas existants. Nous portons une attention particulière aux schémas basés sur les problèmes de réseaux LWE et RLWE pour leurs propriétés post-quantiques. A des fins d’expérimentations, nous déroulons des scénarios d’utilisation du chiffrement fonctionnel pour la conception et l’exploitation de modèles de classification sur des données de type images et acoustiques. Nous démontrons ainsi la faisabilité d’application de ce type de construction cryptographique à des cas d’usage industriels. En particulier, nous rapportons des exemples de déchiffrements fonctionnels permettant le calcul d’analyse par composantes principales, d’analyse discriminante linéaire et de transformée de Fourier, ainsi que le calcul de couches neuronales de convolutions linéaires et quadratiques. Enfin, nous proposons un ensemble de méthodes pour la recherche de paramètres de chiffrement fonctionnel maximisant les performances des modèles à apprendre tout en garantissant un niveau de sécurité et une probabilité d’exactitude de déchiffrement.

In this thesis, we study a set of techniques for functional encryption application for machine learning models training on confidential data. After reviewing the major state-ofthe- art functional encryption schemes, we propose combinations and adaptations of existing schemes. We pay particular attention to those based on lattice-based problems LWE and RLWE for their post-quantum properties. For experimental purposes, we unfold scenarios using functional encryption to train and use classification models on image and acoustic data. We demonstrate the feasibility of applying this type of cryptographic construction to industrial use cases. In particular, we report examples of functional decryptions for the computation of principal component analysis, linear discriminant analysis and Fourier transform, as well as the computation of neural layers of linear and quadratic convolutions. Finally, we propose a set of methods for finding functional encryption parameters that maximize the performance of models to be learned, while guaranteeing a given level of security and probability of decryption correctness.